无监督机器学习

在上一个主题中，我们学习了监督式机器学习，其中在训练数据的监督下使用标记数据训练模型。但是在很多情况下，我们没有标记数据，需要从给定的数据集中找到隐藏的模式。因此，要解决机器学习中的此类情况，我们需要无监督的学习技术。

什么是无监督学习？

顾名思义，无监督学习是一种机器学习技术，其中不使用训练数据集对模型进行监督。相反，模型本身会从给定的数据中找到隐藏的模式和见解。可以将其与学习新事物时在人脑中进行的学习相提并论。可以定义为：

无监督学习是一种机器学习，其中使用未标记的数据集训练模型，并允许模型在没有任何监督的情况下作用于该数据。

无监督学习不能直接应用于回归或分类问题，因为与有监督学习不同，我们有输入数据，但没有相应的输出数据。无监督学习的目的是找到数据集的基础结构，根据相似性对数据进行分组，并以压缩格式表示该数据集。

示例：假设给了无监督学习算法一个输入数据集，其中包含不同类型的猫和狗的图像。该算法永远不会在给定的数据集上训练，这意味着它对数据集的特征一无所知。无监督学习算法的任务是自行识别图像特征。无监督学习算法将根据图像之间的相似性，将图像数据集聚类成组，从而执行此任务。

为什么要使用无监督学习？

以下是描述无监督学习的重要性的一些主要原因：

• 无监督学习有助于从数据中找到有用的见解。
• 无监督学习与人类根据自己的经验学习思考非常相似，这使其更接近真实的AI。
• 无监督学习对未标记和未分类的数据起作用，这使得无监督学习更加重要。
• 在现实世界中，我们并不总是具有输入数据和相应的输出，因此要解决此类情况，我们需要无监督学习。

无监督学习的工作

下图可以理解无监督学习的工作方式：

在这里，我们采用了未标记的输入数据，这意味着未对它进行分类并且也没有给出相应的输出。现在，将这些未标记的输入数据馈送到机器学习模型以对其进行训练。首先，它将解释原始数据以从数据中找到隐藏的模式，然后将应用合适的算法，例如k均值聚类，决策树等。

一旦应用了合适的算法，该算法就会根据对象之间的相似性和差异将数据对象分为几组。

无监督学习算法的类型：

无监督学习算法可以进一步分为两类问题：

• 聚类 ：聚类是一种将对象分组为聚类的方法，以使具有最大相似性的对象保留在一个组中，并且与另一个组的对象具有很少或没有相似性。聚类分析发现数据对象之间的共性，并根据这些共性的存在与否将其分类。
• 关联 ：关联规则是一种无监督的学习方法，用于在大型数据库中查找变量之间的关系。它确定在数据集中一起出现的一组项目。关联规则使营销策略更有效。例如购买X项(假设是面包)的人也倾向于购买Y(黄油/果酱)项。关联规则的典型示例是市场篮子分析。

注意：我们将在后面的章节中学习这些算法。

无监督学习算法：

以下是一些流行的无监督学习算法的列表：

• K均值聚类
• KNN(k最近邻)
• 层次聚类
• 异常检测
• 神经网络
• 主成分分析
• 独立成分分析
• Apriori算法
• 奇异值分解

无监督学习的优势

• 与无监督学习相比，无监督学习用于更复杂的任务，因为在无监督学习中，我们没有标记的输入数据。
• 最好采用无监督学习，因为与标记数据相比，它更容易获得未标记数据。

无监督学习的缺点

• 本质上，无监督学习比无监督学习更困难，因为它没有相应的输出。
• 无监督学习算法的结果可能不那么准确，因为未标记输入数据，并且算法事先也不知道确切的输出。